Python预测分析实战
全新正版 假一赔十 可开发票
￥ 55.72 7.0折 ￥ 79.8 全新
库存7件
北京东城
认证卖家担保交易快速发货售后保障
作者(美)阿尔瓦罗·富恩特斯
出版社人民邮电出版社
ISBN9787115565709
出版时间2022-08
装帧平装
开本16开
定价79.8元
货号1202702693
上书时间2024-12-29
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
阿尔瓦罗·富恩特斯（Alvaro Fuentes）是一位资深数据分析师，在分析行业的从业经验超过12年，拥有应用数学的硕士学位和数量经济学的学士学位。他在银行工作过多年，担任经济分析师。他后来创建了Quant公司，主要提供与数据科学相关的咨询和培训服务，并为许多项目做过顾问，涉及商业、教育、医药和大众传媒等领域。
他是一名Python的深度爱好者，有5年的Python工作经验，从事过分析数据、构建模型、生成报告、进行预测以及构建从数据到智能决策的智能转换交互式应用等工作。
目录
第1章预测分析过程1
1．1技术要求1
1．2什么是预测分析2
1．3回顾预测分析的重要概念3
1．4预测分析过程5
1．4．1理解问题和定义问题6
1．4．2收集数据和准备数据6
1．4．3使用EDA挖掘数据信息7
1．4．4构建模型8
1．4．5评价模型8
1．4．6沟通以及/或者部署8
1．4．7CRISP-DM和其他方法9
1．5Python数据科学栈概述10
1．5．1Anaconda10
1．5．2JupyterNotebook11
1．5．3NumPy13
1．5．4SciPy18
1．5．5pandas19
1．5．6Matplotlib19
1．5．7Seaborn23
1．5．8scikit-learn24
1．5．9TensorFlow和Keras24
1．5．10Dash24
1．6小结25
扩展阅读25
第2章理解问题和准备数据26
2．1技术要求26
2．2理解业务问题并提出解决方案27
2．2．1背景决定一切27
2．2．2定义预测内容28
2．2．3明确项目需要的数据28
2．2．4考虑数据访问28
2．2．5提出解决方案29
2．3实践项目——钻石的价格30
2．3．1钻石的价格——理解问题和定义问题30
2．3．2更多背景知识32
2．3．3钻石的价格——提出解决方案32
2．3．4钻石的价格——收集数据和准备数据33
2．4实践项目——信用卡违约38
2．4．1信用卡违约——理解问题和定义问题38
2．4．2信用卡违约——提出解决方案39
2．4．3信用卡违约——收集数据和准备数据41
2．5小结51
扩展阅读52
第3章理解数据集——探索性数据分析53
3．1技术要求54
3．2什么是EDA54
3．3一元EDA56
3．3．1数值特征的一元EDA57
3．3．2分类特征的一元EDA61
3．4二元EDA63
3．4．1两个数值特征64
3．4．2两个分类特征73
3．4．3一个数值特征和一个分类特征77
3．5图形化的多元EDA81
3．6小结86
扩展阅读86
第4章基于机器学习的数值预测87
4．1技术要求88
4．2机器学习简介88
4．2．1监督学习中的任务89
4．2．2创建第一个机器学习模型90
4．2．3机器学习的目标——泛化92
4．2．4过拟合94
4．2．5评价函数和很优化95
4．3建模之前的实际考虑95
4．3．1scikit-learn简介96
4．3．2进一步的特征变换96
4．4多元线性回归103
4．5LASSO回归106
4．6kNN107
4．7训练与测试误差109
4．8小结113
扩展阅读113
第5章基于机器学习的分类预测115
5．1技术要求116
5．2分类任务116
5．3信用卡违约数据集117
5．4逻辑回归120
5．4．1一个简单的逻辑回归模型120
5．4．2完整的逻辑回归模型122
5．5分类树124
5．5．1分类树的工作原理126
5．5．2分类树的优点和缺点130
5．5．3训练更大的分类树130
5．6随机森林131
5．7训练误差对测试误差133
5．8多元分类135
5．9朴素贝叶斯分类器136
5．9．1条件概率136
5．9．2贝叶斯定理138
5．9．3回到分类问题140
5．9．4高斯朴素贝叶斯141
5．10小结143
扩展阅读143
第6章面向预测分析的神经网络简介144
6．1技术要求144
6．2引入神经网络模型145
6．2．1深度学习145
6．2．2MLP的结构——神经网络模型的组成部分146
6．2．3MLP的学习原理148
6．3TensorFlow和Keras简介149
6．3．1TensorFlow149
6．3．2Keras——以人为本的深度学习150
6．4基于神经网络的回归151
6．4．1构建预测钻石价格的MLP152
6．4．2训练MLP154
6．4．3基于神经网络的预测156
6．5基于神经网络的分类157
6．5．1构建预测信用卡违约的MLP158
6．5．2评价预测160
6．6训练神经网络模型的“黑暗艺术”161
6．6．1决策太多，时间太少162
6．6．2神经网络的正则化163
6．6．3训练神经网络模型的实用技巧172
6．7小结173
扩展阅读173
第7章模型评价174
7．1技术要求175
7．2回归模型的评价175
7．2．1评价回归模型的指标176
7．2．2评价回归模型的可视化方法180
7．3评价分类模型183
7．3．1混淆矩阵及相关指标184
7．3．2评价分类模型的可视化方法187
7．4k折交叉验证195
7．5小结197
扩展阅读197
第8章调整模型和提高性能198
8．1技术要求198
8．2超参数调整199
8．2．1优化单个超参数200
8．2．2优化多个超参数205
8．3提高性能210
8．3．1改进钻石价格预测210
8．3．2是技术问题，更是业务问题214
8．4小结215
第9章基于Dash的模型实现216
9．1技术要求216
9．2模型沟通和/或部署阶段217
9．2．1使用技术报告217
9．2．2说明现有应用程序的功能218
9．2．3分析应用程序219
9．3Dash简介220
9．3．1什么是Dash220
9．3．2Plotly220
9．3．3安装221
9．3．4应用程序布局221
9．3．5构建基本的静态App222
9．3．6构建基本的交互式App224
9．4将预测模型实现为网络应用程序228
9．4．1生成预测模型对象229
9．4．2构建网络应用程序231
9．5小结237
扩展阅读238
内容摘要
本书先介绍预测分析的重要概念和原则，然后给出一系列的代码示例和算法讲解，引导读者了解完整的预测分析流程，进而用Python工具构建高性能的预测分析解决方案。全书所涵盖的内容包括预测分析过程、理解问题和准备数据、理解数据集——探索性数据分析、基于机器学习的数值预测、基于机器学习的类别预测、调整模型和提高性能、基于Dash的模型实现等。
本书适合想要学习预测建模并对用Python工具实现预测分析解决方案感兴趣的数据分析师、数据科学家、数据工程师和Python开发人员阅读，也适合对预测分析感兴趣的读者参考。
主编推荐
1. 涵盖从问题识别到模型部署的预测分析全过程
2. 基于Python语言实现，辅以实例，侧重于实战
3. 用Python实现高性能预测分析方案
4. 用Keras构建可实现预测的神经网络模型
— 没有更多了 —
以下为对购买帮助不大的评价